VansNet轻量化卷积神经网络

• 作者: 孙若钒 陈娅先 高建瓴
• 来源期刊: 贵州大学学报（自然科学版）
• 学科: 工学
• 关键词: 轻量化 卷积神经网络 图像分类 压缩参数 残差网络 跳层结构
• 年，卷（期）: 2020,（2）
• 所属期刊栏目: 工程科学研究及应
• 页码范围: 51-56
• 页数: 6页
• 分类号: TP391
• 字数: 3199字
• 语种: 中文
• DOI: 10.15958/j.cnki.gdxbzrb.2020.02.11

摘要

近年来,研究人员们在卷积神经网络的基础上保证效率的条件下提出了轻量化卷积神经网络,其中SqueezeNet轻量化卷积神经网络在保证精度的前提下,压缩了参数,提高了整体效率.本文针对SqueezeNet网络中由于压缩参数,存在准确率不理想的问题,提出了引入残差网络,增加跳层结构和网络宽度的改进方法VansNet,相较于AlexNet、ResNet和SqueezeNet三种卷积神经网络其计算量最小且参数量很小.实验结果表明,改进后的VansNet轻量化结构在略增加参数的前提下提高了图像分类的准确率和效率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	高建瓴	贵州大学大数据与信息工程学院	39	126	7.0	9.0
2	陈娅先	贵州大学大数据与信息工程学院	6	13	2.0	3.0
3	孙若钒	贵州大学大数据与信息工程学院	1	0	0.0	0.0